چکیده مقاله
انتخاب ویژگی یکی از وظایف کلیدی در علم داده است که به طور مستقیم بر کارایی و دقت الگوریتمهای یادگیری ماشین تاثیر می گذارد بسیاری از روشهای موجود تنها از یک معیار همبستگی خطی یا غیرخطی استفاده میکنند و از این رو نمیتوانند وابستگیهای پیچیده میان ویژگیها را به خوبی شناسایی کنند برای رفع این محدودیت ما با یکپارچه سازی قدر مطلق همبستگی پیرسون و اطلاعات متقابل نرمال شده یک معیار با عنوان APCNMI را پیشنهاد میکنیم که روابط خطی و غیرخطی بین ویژگیها را به صورت همزمان در نظر میگیرد بر پایه این شاخص یک الگوریتم سه مرحله ای ترکیبی برای انتخاب ویژگی ارائه شده است مرحله اول فیلترسازی ویژگیهای نامربوط، مرحله دوم خوشه بندی ویژگیهای تکراری با هدف کاهش فضای جست وجو مرحله سوم و در نهایت انتخاب زیر مجموعه ای کوچک و موثر از ویژگیها با استفاده از الگوریتم بهینه سازی ازدحام ذرات PSO نتایج آزمایشها بر روی شش مجموعه داده واقعی نشان میدهد که روش پیشنهادی ما در مقایسه با روشهای متکی بر یک معیار همبستگی ویژگیهای کم تعدادتر اما مفیدتری را انتخاب میکند و عملکرد طبقه بندی بهتری ارائه میدهد
کلیدواژهها
نویسندگان
سید مجتبی سیف
گروه کامپیوتر، واحد،صفاشهر دانشگاه آزاد اسلامی،صفاشهر ایران
شیوه ارجاع
�یف، سید مجتبی،1404،APCNMI: یک معیار گروهی برای انتخاب ویژگی ترکیبی،دومین کنفرانس ملی علم داده در کاربردهای مهندسی،تبریز
ارائهشده در
مجموعه مقالات دومین کنفرانس ملی علم داده در کاربردهای مهندسی17 مهر 1404 · تبریز